AI og robotikk

Tesla Optimus

Lag en generell, autonom, humanoid biped robot som er i stand til å utføre usikre, repeterende eller kjedelige oppgaver. For å oppnå det endelige målet må man bygge programvarestakkene som muliggjør balanse, navigasjon, oppfatning og samhandling med den fysiske verden. Vi ansetter ingeniører som skal jobbe med dyp læring, datasyn, bevegelsesplanlegging og kontrollere og utvikle mekanisk- og generell programvare for å løse noen av våre vanskeligste tekniske utfordringer.

Se muligheter

FSD-brikke

Bygg AI-avledede brikker for å kjøre programvaren vår for fullverdig selvkjøring. Ta alle, selv de minste, arkitektoniske forbedringene med i betraktning, og utnytt brikkenes ytelse per watt til det ytterste. Lag detaljtegninger, tidsstudier og effektanalyser på designen. Skriv robuste tester og resultattavler for å verifisere funksjonalitet og ytelse. Implementer drivere for å programmere og kommunisere med brikken med fokus på ytelsesoptimalisering og redundans. Når alt er gjort, godkjenn silisiumbrikken og bring den til masseproduksjon i bilene våre.

Dojo-brikke

Bygg databrikker for AI-trening for å drive Dojo-systemet vårt. Implementer banebrytende teknologi fra de minste treningsnodene til de største treningsflisene med mange prosessorer. Design og programmer for maksimal ytelse, gjennomstrømning og båndbredde til minste detalj. Bestem brikkens analoge metodikk, layout og andre fysiske aspekter. Utvikle metoder for validering før og etter silisium for å sikre korrekt funksjon. Skriv kompilatorer og drivere for å optimere effekt og ytelse for de nevrale nettverkene våre gjennom hele Dojo-systemet. Last ned den siste hvitboken vår for mer informasjon om Dojos aritmetiske formater og metoder.

Dojo-system

Design og bygg Dojo-systemet fra de grunnleggende brikkegrensesnittene til de avanserte programmeringsgrensesnittene som skal kontrollere det hele. Løs vanskelige problemer med toppmoderne teknologi for å levere høy effekt og god kjøling, og skriv kontrolløkker og programvare som kan skaleres opp. Arbeid med alle aspekter av systemdesign der bare fantasien din setter grensen, og benytt deg av all kunnskapen i de mekaniske, termiske og elektrotekniske teamene våre for å skape neste generasjons maskinlæringssystem for bruk i Teslas datasentre. Samarbeid med Teslas bilparkopplæring for å distribuere arbeidsoppgavene ved hjelp av de enorme datasettene våre, og design et programmeringsgrensesnitt for publikum som kan spre Dojo til folket.

Neural nettverk

Bruk avansert forskning for å trene dype nevrale nettverk om problemer som spenner fra oppfatning til kontroll. Våre per-kamera-nettverk analyserer råbilder for å utføre semantisk segmentering, objektgjenkjenning og monokulær dybdeestimering. Våre nettverk for fugleperspektiv tar video fra alle kameraer for å vise veiplanlegging, statisk infrastruktur og 3D-objekter direkte ovenfra og ned. Nettverkene våre lærer av de mest kompliserte og mangfoldige scenariene i verden, hentet iterativt fra bilparken vår med millioner av biler i sanntid. En fullverdig versjon av Autopilot-nevrale nettverk involverer 48 nettverk som bruker 70 000 GPU-timer på å trene 🔥. Sammen avgir de 1000 ulike tensorer (spådommer) ved hvert tidspunkt.

Autonomitetsalgoritmer

Utvikle kjernealgoritmene som kjører bilen ved å lage en høyoppløslig representasjon av verden og planlegge baner i det området. For å trene de nevrale nettverkene til å forutsi slike representasjoner bruker du algoritmer til å danne nøyaktige og virkelighetsnære terrengdata i stor skala ved å kombinere informasjon fra bilens sensorer i tid og rom. Bruk hypermoderne teknikker til å bygge et robust system for planlegging og beslutningstaking som fungerer i kompliserte, virkelige situasjoner som kan være tvetydige. Evaluer algoritmene dine over hele Tesla-bilparken.

Kodegrunnlag

Gjennomstrømning, forsinkelse, korrekthet og determinisme er de viktigste beregningene vi optimaliserer koden vår for. Bygge autopilotens programvarebaser fra grunnen, tett integrering med vår egendefinerte maskinvare. Implementere supertrouble bootloaders med støtte for OTA-oppdateringer og hente tilpassede Linux-kjerner. Skrive hurtig, minneeffektiv lavnivåkode for å fange høyfrekvente, høyvolumsdata fra sensorene våre og dele den med flere forbrukerprosesser— uten å påvirke sentral minnetilgangsventetid eller sultende kritisk funksjonskode fra CPU-sykluser. Optimalisere en rekke maskinvareprosessorer på tvers av flere maskinvaresystemer og system-on-chips.

Evaluering av infrastruktur

Bygge evalueringsverktøy for åpen og lukket sløyfe, hardware-in-the-loop og infrastruktur i skala for å akselerere innovasjonsraten, spore ytelsesforbedringer og forebygge regresjoner. Utnytte anonymiserte karakteristiske klipp fra bilparken vår og integrere dem i store suiter av testtilfeller. Skrive kode som simulerer det virkelige miljøet vårt og produsere svært realistisk grafikk og andre sensordata som mater vår Autopilot-programvare ved direkte feilsøking eller automatisert testing.